Prenez contact avec nous

Plan du cours

Fondements de la conteneurisation pour le MLOps

  • Compréhension des exigences du cycle de vie de l'IA
  • Concepts clés de Docker pour les systèmes d'IA
  • Bonnes pratiques pour des environnements reproductibles

Construction de pipelines d'entraînement d'IA conteneurisés

  • Emballage du code d'entraînement des modèles et des dépendances
  • Configuration des tâches d'entraînement à l'aide d'images Docker
  • Gestion des jeux de données et des artefacts dans les conteneurs

Conteneurisation de la validation et de l'évaluation des modèles

  • Reproduction des environnements d'évaluation
  • Automatisation des flux de travail de validation
  • Capture des métriques et des journaux depuis les conteneurs

Inférence et service conteneurisés

  • Conception de microservices d'inférence
  • Optimisation des conteneurs d'exécution pour la production
  • Mise en œuvre d'architectures de service évolutives

Orchestration de pipelines avec Docker Compose

  • Coordination des flux de travail d'IA multi-conteneurs
  • Isolement des environnements et gestion de la configuration
  • Intégration des services d'accompagnement (par exemple, suivi, stockage)

Gestion de versions et du cycle de vie des modèles d'IA

  • Suivi des modèles, des images et des composants de pipeline
  • Environnements conteneurs sous contrôle de versions
  • Intégration de MLflow ou d'outils similaires

Déploiement et dimensionnement des charges de travail d'IA

  • Exécution de pipelines dans des environnements distribués
  • Dimensionnement des microservices à l'aide d'approches natives Docker
  • Surveillance des systèmes d'IA conteneurisés

CI/CD pour le MLOps avec Docker

  • Automatisation des builds et du déploiement des composants d'IA
  • Test des pipelines dans des environnements de pré-production conteneurisés
  • Assurance de la reproductibilité et des retours arrière

Résumé et prochaines étapes

Pré requis

  • Une compréhension des flux de travail de l'apprentissage automatique
  • De l'expérience avec Python pour le développement de données ou de modèles
  • Une familiarité avec les fondamentaux des conteneurs

Public cible

  • Ingénieurs MLOps
  • Praticiens DevOps
  • Équipes de plateformes de données
 21 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (3)

Cours à venir

Catégories Similaires